深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 32372 篇文献，本页显示第 2621 - 2640 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2621 | 2025-10-06 |
ECG-GraphNet: Advanced arrhythmia classification based on graph convolutional networks
2025-Aug, Heart rhythm O2
IF:2.5Q2
DOI:10.1016/j.hroo.2025.05.012
PMID:40917189
|
研究论文 | 提出基于图卷积网络的ECG-GraphNet模型，用于准确分类三种心律失常类型 | 将ECG波形建模为图结构，创新使用QRS中心加权平均池化方法增强特征提取 | 研究仅基于328名患者的单导联设备数据，样本规模有限 | 开发准确的心律失常自动分类方法 | 心电图信号中的正常搏动、室上性异位搏动和室性异位搏动 | 医学图像分析 | 心血管疾病 | 心电图分析 | 图卷积网络(GCN) | 心电图信号 | 328名患者的10秒心电图记录 | NA | ECG-GraphNet | Macro F1-score | NA |
| 2622 | 2025-10-06 |
DeepHVI: A multimodal deep learning framework for predicting human-virus protein-protein interactions using protein language models
2025-Aug, Biosafety and health
IF:3.5Q1
DOI:10.1016/j.bsheal.2025.07.005
PMID:40918205
|
研究论文 | 提出一种多模态深度学习框架DeepHVI，用于预测人类与病毒蛋白质之间的相互作用 | 整合蛋白质语言模型和多模态融合方法，结合二元分类和条件序列生成两个互补任务 | NA | 系统预测人类与病毒蛋白质之间的假定相互作用，为公共卫生干预提供支持 | 人类蛋白质和病毒蛋白质 | 机器学习 | 传染病 | 蛋白质语言模型 | 深度学习 | 蛋白质序列数据 | 高置信度实验数据集 | NA | 多模态融合框架 | 准确率 | NA |
| 2623 | 2025-10-06 |
Deep Learning Model for Osteoporosis Screening From Chest Radiographs: A Multicenter Analysis of External Robustness and Model Calibration
2025-Aug, Cureus
DOI:10.7759/cureus.89446
PMID:40918770
|
研究论文 | 开发用于从胸部X光片筛查骨质疏松症的深度学习模型，并评估其在外院数据上的鲁棒性和模型校准效果 | 首次系统评估深度学习模型在不同医疗机构和设备采集的外部数据上的表现，并提出通过混合外部数据校准模型的方法 | 外部数据性能相比内部数据仍有差距，需要至少500例外部数据进行模型校准 | 开发基于胸部X光片的骨质疏松症筛查工具，解决DXA检查成本高、可用性有限的问题 | 骨质疏松症患者和疑似病例 | 医学影像分析 | 骨质疏松症 | 深度学习技术 | 深度学习模型 | 胸部X光影像 | 多中心数据集（具体数量未明确说明） | NA | NA | 筛查性能指标（与QUS比较） | NA |
| 2624 | 2025-10-06 |
GPT2-ICC: A data-driven approach for accurate ion channel identification using pre-trained large language models
2025-Aug, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101302
PMID:40919588
|
研究论文 | 开发了一种基于预训练大语言模型的深度学习算法GPT2-ICC，用于从蛋白质序列中准确识别离子通道 | 首次将表示学习与大语言模型分类器相结合，解决了蛋白质序列数据不平衡的挑战 | NA | 开发准确高效的离子通道分类方法 | 离子通道蛋白质序列 | 自然语言处理 | NA | 蛋白质序列分析 | LLM, 深度学习 | 蛋白质序列数据 | 测试集包含比非离子通道蛋白质多约239倍的数据 | NA | GPT2 | 准确率 | NA |
| 2625 | 2025-10-06 |
Unravelling phosphorylation-induced impacts on inhibitor-CDK2 through multiple independent molecular dynamics simulations and deep learning
2025-Aug, SAR and QSAR in environmental research
IF:2.3Q3
DOI:10.1080/1062936X.2025.2552131
PMID:40926679
|
研究论文 | 本研究通过分子动力学模拟、深度学习和自由能景观分析系统探索磷酸化对CDK2与抑制剂结合的分子机制 | 创新性地整合分子动力学模拟、深度学习技术和自由能景观分析，首次系统揭示磷酸化对CDK2与抑制剂结合的分子机制 | 研究主要基于计算模拟，需要实验验证来进一步确认发现 | 探索磷酸化对CDK2与抑制剂结合的分子机制 | 磷酸化状态下的CDK2蛋白及其与抑制剂SCH、CYC的结合 | 计算生物学 | 癌症 | 分子动力学模拟, 深度学习, 自由能景观分析, QM/MM-GBSA计算 | 深度学习模型 | 分子动力学轨迹数据 | 两个抑制剂(SCH和CYC)与磷酸化CDK2的结合系统 | NA | NA | NA | NA |
| 2626 | 2025-10-06 |
Learning Universal Representations of Intermolecular Interactions with ATOMICA
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.02.646906
PMID:40291688
|
研究论文 | 介绍ATOMICA几何深度学习模型，用于学习跨五种分子模式的分子间相互作用通用表示 | 首个能够跨蛋白质、小分子、金属离子、脂质和核酸五种分子模式学习原子尺度相互作用表示的几何深度学习模型 | NA | 开发通用分子相互作用表示模型以理解和注释分子功能 | 分子间相互作用界面，包括蛋白质、小分子、金属离子、脂质和核酸 | 机器学习 | 哮喘，髓系白血病 | 几何深度学习，自监督学习 | 几何深度学习模型 | 分子相互作用复合物结构数据 | 2,037,972个相互作用复合物 | NA | ATOMICA | 表示质量，实验验证 | NA |
| 2627 | 2025-10-06 |
A Feature-Augmented Transformer Model to Recognize Functional Activities from in-the-wild Smartwatch Data
2025-Jul-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3586074
PMID:40614149
|
研究论文 | 提出一种特征增强的Transformer模型，用于从智能手表数据中识别功能性活动 | 引入特征标记-变换器嵌入来增强特征表示，并发布了大规模功能性活动数据集ArWISE | NA | 识别功能性活动以支持认知健康评估、康复治疗和慢性病管理 | 从503名参与者收集的智能手表数据 | 机器学习 | 认知障碍,慢性病 | 智能手表传感器数据采集 | Transformer | 传感器时间序列数据 | 503名参与者，超过3200万个标记数据点 | NA | Transformer | 分类性能 | NA |
| 2628 | 2025-10-06 |
Denoising pediatric cardiac photon-counting CT data with sparse coding and data-adaptive, self-supervised deep learning
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17918
PMID:40660927
|
研究论文 | 提出一种结合稀疏编码和数据自适应自监督深度学习的方法，用于儿科心脏光子计数CT数据的降噪 | 对Vision Transformer架构进行两项针对性改进：修改多层感知机实现编码图像数据的跨令牌重组，以及用超完备字典替换网络头执行字典稀疏编码 | 在已重度降噪的重建数据中，对1岁以下患者的临床PCCT数据应用时会出现部分图像细节平滑化 | 推进自监督深度学习降噪方法以适应儿科心脏CT数据中可变的图像质量 | 儿科心脏光子计数CT数据 | 医学影像处理 | 先天性心脏病 | 光子计数CT | Vision Transformer | 3D CT图像 | 20名杜克大学患者（1-18岁）的回顾性数据，加上3名额外患者和临床前系统获取的小鼠心脏PCCT数据集 | PyTorch | 改进的3D Vision Transformer | 强度偏差, 强度方差 | NA |
| 2629 | 2025-10-06 |
Image-based mandibular and maxillary parcellation and annotation using computed tomography (IMPACT): a deep learning-based clinical tool for orodental dose estimation and osteoradionecrosis assessment
2025-Jul, Physics and imaging in radiation oncology
DOI:10.1016/j.phro.2025.100817
PMID:40894269
|
研究论文 | 提出基于深度学习的口腔颌面结构自动分割框架IMPACT，用于放射治疗中的剂量估计和放射性骨坏死评估 | 首个将下颌骨/上颌骨分区与个体牙齿分割相结合，并与ClinRad放射性骨坏死分期系统对齐的深度学习自动分割框架 | 数据中缺失的子区域分割适用性有限 | 开发用于口腔剂量估计和放射性骨坏死评估的临床工具 | 头颈癌患者的计算机断层扫描图像中的下颌骨、上颌骨和个体牙齿 | 计算机视觉 | 头颈癌 | 计算机断层扫描 | 深度学习 | 医学图像 | 60个临床病例的模拟CT图像 | NA | Swin UNETR, ResUNet | Dice系数, 剂量体积参数(Dmean, D2%) | NA |
| 2630 | 2025-02-25 |
Ectopic, intra-thyroid parathyroid adenoma better visualized by deep learning enhanced choline PET/CT
2025-Jun-01, QJM : monthly journal of the Association of Physicians
DOI:10.1093/qjmed/hcaf057
PMID:39992255
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2631 | 2025-10-06 |
IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases
2025-Apr-10, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.26.645544
PMID:40291692
|
研究论文 | 构建了炎症性肠病的综合分子、组织病理学和临床图谱，通过多组学和多模态数据分析揭示疾病特征 | 整合了多组学数据和临床信息，开发了基于基础模型的深度学习方法来预测组织学疾病活动评分 | 样本量相对有限（1002例），未涉及所有IBD亚型 | 提高对炎症性肠病的理解，改进诊断并实现个性化治疗策略 | 炎症性肠病（克罗恩病和溃疡性结肠炎）患者及非IBD对照 | 数字病理学 | 炎症性肠病 | 全外显子测序,RNA测序,血清蛋白质组学,组织病理学评估 | 深度学习,基础模型 | 基因组数据,转录组数据,蛋白质组数据,组织病理图像 | 1002例临床注释患者（包括IBD患者和非IBD对照） | NA | 基础模型 | 组织学疾病活动评分预测准确性 | NA |
| 2632 | 2025-10-06 |
Path2Omics: Enhanced transcriptomic and methylation prediction accuracy from tumor histopathology
2025-Mar-16, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.26.640189
PMID:40568160
|
研究论文 | 开发了一种名为Path2Omics的深度学习模型，可从肿瘤组织病理学图像预测基因表达和甲基化数据 | 整合FFPE和FF样本训练，显著提升预测准确性，预测基因数量比先前模型DeepPT提高约5倍 | NA | 通过组织病理学图像预测分子特征，推进精准肿瘤学发展 | 23种癌症类型的肿瘤组织病理学图像 | 数字病理学 | 癌症 | 组织病理学 | 深度学习 | 图像 | 20,497张切片（9,456张FFPE和11,041张FF），来自8,007名患者的23个TCGA队列 | NA | NA | 预测基因数量 | NA |
| 2633 | 2025-10-06 |
CT-based 3D Super-resolution Radiomics for the Differential Diagnosis of Brucella vs. Tuberculous Spondylitis using Deep Learning
2025, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究开发了基于深度学习和超分辨率CT图像的影像组学模型，用于提高布鲁氏菌性脊柱炎和结核性脊柱炎的鉴别诊断准确性 | 首次将超分辨率技术与深度学习影像组学相结合应用于脊柱炎鉴别诊断，开发了综合临床、影像组学和深度学习的多模态融合模型 | 样本量较小(94例)，回顾性研究设计，存在影像异质性，需要更大规模多中心研究验证 | 提高布鲁氏菌性脊柱炎与结核性脊柱炎的鉴别诊断准确性 | 94例确诊为布鲁氏菌性脊柱炎或结核性脊柱炎的患者 | 医学影像分析 | 脊柱炎 | CT成像, 超分辨率技术 | CNN, MLP | CT图像 | 94例患者(训练集65例，验证集29例)，其中布鲁氏菌性脊柱炎57例，结核性脊柱炎37例 | NA | ResNet18, ResNet34, MLP | AUC, 敏感性, 特异性, ROC, 决策曲线分析 | NA |
| 2634 | 2025-10-06 |
Multimodal deep learning for predicting protein ubiquitination sites
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf200
PMID:40917649
|
研究论文 | 开发了一种基于多模态深度学习的蛋白质泛素化位点预测工具 | 整合多种蛋白质序列表示方法（one-hot编码、嵌入表示和理化特性）于统一深度学习框架，显著提升预测准确性和鲁棒性 | NA | 准确预测蛋白质泛素化位点 | 蛋白质序列 | 生物信息学 | NA | 深度学习 | 深度学习 | 蛋白质序列数据 | 通用、人类特异性和植物特异性数据集 | NA | 多模态深度学习框架 | 准确率, 灵敏度, 特异性, MCC, AUC | NA |
| 2635 | 2025-10-06 |
A graph attention-based deep learning network for predicting biotech-small-molecule drug interactions
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf192
PMID:40917652
|
研究论文 | 提出一种基于图注意力网络的深度学习框架，用于预测生物技术药物与小分子药物之间的相互作用 | 首次将图注意力网络应用于生物技术药物与小分子药物的相互作用预测，解决了传统方法主要关注小分子药物的局限性 | 未在摘要中明确说明研究的局限性 | 改进生物技术药物与小分子药物之间的相互作用预测，促进更有效的联合疗法开发 | 生物技术药物和小分子药物 | 机器学习 | NA | 深度学习 | 图注意力网络 | 图数据 | NA | NA | 图注意力网络 | 微观评估,宏观评估,加权评估 | NA |
| 2636 | 2025-10-06 |
ResLysEmbed: a ResNet-based framework for succinylated lysine residue prediction using sequence and language model embeddings
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf198
PMID:40917651
|
研究论文 | 提出一种基于ResNet的框架ResLysEmbed，结合传统词嵌入和蛋白质语言模型嵌入预测琥珀酰化赖氨酸位点 | 开发了三种混合架构并比较了多种蛋白质语言模型，其中ResLysEmbed在琥珀酰化位点预测中表现最优 | NA | 提高琥珀酰化赖氨酸位点的预测性能 | 蛋白质序列中的琥珀酰化赖氨酸位点 | 生物信息学 | NA | 蛋白质语言模型，深度学习 | CNN, ResNet | 蛋白质序列数据 | NA | NA | ResNet, ConvLysEmbed, InceptLysEmbed | 准确率, MCC, F1分数 | NA |
| 2637 | 2025-10-06 |
Knowledge Attitudes and Ethical Concerns About Artificial Intelligence Among Medical Students at Taibah University: A Cross-Sectional Study
2025, Advances in medical education and practice
IF:1.8Q2
DOI:10.2147/AMEP.S528281
PMID:40917814
|
研究论文 | 本研究调查了Taibah大学医学生对人工智能的知识、态度和伦理关注 | 首次在沙特阿拉伯医学教育背景下系统评估医学生对AI的认知水平和伦理关切 | 单中心研究，样本量有限（189人），依赖自我报告数据可能存在偏差 | 评估医学生对AI的认知准备度和伦理关注，为医学教育课程开发提供依据 | Taibah大学189名医学生 | 医学教育 | NA | 问卷调查 | NA | 问卷数据 | 189名医学生 | NA | NA | 描述性统计，单因素方差分析 | NA |
| 2638 | 2025-10-06 |
The Revolution in Midwifery Education: How AI and Deep Learning are Transforming Outcome-Based Assessments?
2025, Advances in medical education and practice
IF:1.8Q2
DOI:10.2147/AMEP.S543098
PMID:40917813
|
综述 | 本文综述了人工智能和深度学习在助产教育成果评估中的应用与潜力 | 系统评估AI和深度学习在助产教育成果评估中的创新应用，包括个性化学习和临床技能提升 | 面临基础设施准备、数字素养、数据保护和算法偏见等伦理挑战 | 探讨AI和深度学习如何提升助产教育中的成果评估效果 | 助产教育中的学生临床技能评估 | 教育技术 | 母婴健康 | 系统文献综述 | CNN, LSTM, Random Forest, SVM | 文献数据 | 从771篇文献中筛选15篇符合标准的文章 | NA | NA | 客观性评估、个性化反馈、临床学习模拟效果 | NA |
| 2639 | 2025-10-06 |
Transformer-based ECG classification for early detection of cardiac arrhythmias
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1600855
PMID:40917829
|
研究论文 | 提出基于Transformer的深度学习框架用于心电图自动分类，实现心律失常的早期检测 | 首次将Transformer架构与先进的预处理、特征选择和降维技术结合应用于ECG分类 | 数据集和评估协议差异导致比较仅为指示性，实时或资源受限环境部署需进一步优化验证 | 开发自动化心电图分类系统用于心血管疾病早期检测 | 心电图信号 | 生物医学信号处理 | 心血管疾病 | ECG信号处理 | Transformer | 信号数据 | MIT-BIH基准数据集 | NA | Transformer | 准确率,精确率,召回率,F1分数,AUC | NA |
| 2640 | 2025-10-06 |
Brain tumor classification using GAN-augmented data with autoencoders and Swin Transformers
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1635796
PMID:40917831
|
研究论文 | 提出一种结合Swin Transformer和AE-cGAN数据增强的新型深度学习模型用于脑肿瘤分类 | 首次将Swin Transformer与AE-cGAN数据增强相结合，有效解决数据不平衡和特征提取不足的问题 | 尚未进行实时临床部署验证，应用范围有待扩展到其他医学影像任务 | 开发高性能的脑肿瘤自动分类方法 | 脑肿瘤医学影像数据 | 计算机视觉 | 脑肿瘤 | 深度学习 | Transformer, GAN, Autoencoder | 医学影像 | 两个公开数据集（Figshare和Kaggle） | NA | Swin Transformer, AE-cGAN | 准确率, 敏感性, 特异性 | NA |